Data Integration in Causal Inference
因果推断中的数据整合AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确综述多数据来源下的因果推断、随机试验整合及孟德尔随机化方法。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
因果推断中的数据整合
- 研究问题
- 论文关注如何整合来自不同研究设计和异质人群的多份数据，以扩充研究信息，并开展治疗效果、安全性及其他因果问题的分析。
- 方法与思路
- 作者综述随机试验与外部观察资料结合、变量分散于不同样本、隐私约束下的分布式分析，以及贝叶斯因果推断和因果发现方法。
- 材料陈述的贡献
- 摘要所述贡献是梳理多源数据因果推断的近期进展，覆盖历史对照、两样本孟德尔随机化及真实世界比较效果研究等场景。
- 阅读关注点
- 阅读全文时应区分各类数据整合问题的目标量，核对跨样本人群差异、变量缺失及研究设计差异分别需要哪些识别条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要属于综述概述，未说明各方法的具体假设、证明和比较结果。
原文摘要
Integrating data from multiple heterogeneous sources has become increasingly popular to achieve a large sample size and diverse study population. This paper reviews development in causal inference methods that combines multiple datasets collected by potentially different designs from potentially heterogeneous populations. We summarize recent advances on combining randomized clinical trial with external information from observational studies or historical controls, combining samples when no single sample has all relevant variables with application to two-sample Mendelian randomization, distributed data setting under privacy concerns for comparative effectiveness and safety research using real-world data, Bayesian causal inference, and causal discovery methods.